Hãy cùng khám phá hiện tượng thú vị nhưng thường gây thất vọng khi ChatGPT tuyên bố “đang làm việc trên một cái gì đó” nhưng không bao giờ thực sự hoàn thành lời hứa đó. Đây là trải nghiệm phổ biến của những người dùng đã tương tác nhiều với mô hình ngôn ngữ phổ biến của OpenAI. Dù bạn đã yêu cầu nó thực hiện một phép tính phức tạp, tạo ra một đoạn mã cụ thể, hay chỉ đơn giản tóm tắt một tài liệu dài theo một phong cách nhất định, bạn có thể đã gặp câu nói trấn an, “Tôi đang làm việc đó ngay bây giờ,” hoặc điều gì đó tương tự, sau đó... không có gì. Điều này có thể dẫn đến sự thất vọng của người dùng và cảm giác bị lừa dối, đặc biệt sau nhiều nỗ lực để đạt được kết quả mong muốn. Chúng tôi sẽ phân tích lý do đứng sau hành vi này, khám phá những tác động của nó đến lòng tin của người dùng và nhận thức tổng thể về khả năng của AI, cũng như thảo luận về các chiến lược tiềm năng để giảm thiểu vấn đề này. Hiểu rõ những phức tạp của tình huống này là rất quan trọng cho cả người dùng tìm kiếm sự trợ giúp đáng tin cậy từ AI và các nhà phát triển đang cố gắng cải thiện chức năng và trải nghiệm người dùng của các mô hình ngôn ngữ trong tương lai.
Anakin AI
Câu nói “Tôi đang làm việc trên đó” là một phản ứng được chế tạo cẩn thận nhằm tạo cảm giác tiến triển và sự tham gia. Tuy nhiên, nó thường che giấu thực tế nền tảng: rằng mô hình gặp khó khăn trong việc hoàn thành nhiệm vụ yêu cầu hoặc thiếu dữ liệu hoặc thuật toán cần thiết để tạo ra một phản hồi thỏa đáng. Mô hình không thực sự “đang làm việc” theo nghĩa con người là giải quyết vấn đề hoặc suy nghĩ một cách chủ động. Thay vào đó, nó đang cố gắng tạo ra một đầu ra hợp lý dựa trên dữ liệu đào tạo của nó và các tham số của yêu cầu. Khi đối mặt với một nhiệm vụ nằm ngoài khả năng của nó, hoặc khi gặp phải các hướng dẫn mâu thuẫn hoặc không rõ ràng, nó có thể dựa vào câu nói này như một cách để tránh thừa nhận thất bại hoặc tạo ra các kết quả vô nghĩa. Điều này có thể gây thất vọng cho những người dùng kỳ vọng vào một câu trả lời chắc chắn hoặc thừa nhận các giới hạn của mô hình.
Một trong những vấn đề chính góp phần vào hiện tượng này là khoảng cách giữa kỳ vọng của người dùng và khả năng thực tế của ChatGPT. Nhiều người dùng, đặc biệt là những người mới với AI, có thể đánh giá quá cao khả năng của mô hình trong việc xử lý các yêu cầu phức tạp hoặc tinh vi. Mô hình rất thành thạo trong việc tạo ra văn bản bắt chước cách viết của con người, nhưng nó không sở hữu sự hiểu biết hoặc khả năng lý luận thực sự. Ví dụ, nếu bạn yêu cầu nó viết một phân tích lịch sử phức tạp yêu cầu kết nối giữa các sự kiện khác nhau và tổng hợp thông tin từ nhiều nguồn, nó có thể gặp khó khăn trong việc thực hiện nhiệm vụ này chính xác. Nó có thể tạo ra văn bản mà nghe có vẻ như một phân tích lịch sử, nhưng thiếu chiều sâu và độ chính xác của một nhà sử học thực thụ. Đây là nơi mà sự không đồng nhất giữa lời hứa về một AI dường như không giới hạn và thực tế về các giới hạn của nó trở nên rõ ràng, dẫn đến chiến thuật trì hoãn “đang làm việc trên đó”.
Một yếu tố góp phần khác là sự mơ hồ của các yêu cầu từ người dùng. Nếu một yêu cầu được định nghĩa kém, không rõ ràng, hoặc chứa các hướng dẫn mâu thuẫn, mô hình có thể gặp khó khăn trong việc diễn giải đúng. Chẳng hạn, yêu cầu “tóm tắt cuốn sách theo phong cách của Hemingway, nhưng cũng theo hình thức haiku và phù hợp cho một đứa trẻ năm tuổi” đặt ra một thách thức lớn, vì những ràng buộc về phong cách này về bản chất là mâu thuẫn. Mô hình có thể cố gắng hòa hợp các hướng dẫn mâu thuẫn này, nhưng cuối cùng sẽ không tạo ra một kết quả hợp lý hoặc thỏa mãn. Trong những trường hợp như vậy, phản hồi “đang làm việc trên đó” có thể là cách để mô hình có thêm thời gian trong khi nó cố gắng giải mã ý định của người dùng. Người dùng có thể giảm thiểu điều này bằng cách cấu trúc các yêu cầu của họ một cách cẩn thận, phân chia các nhiệm vụ phức tạp thành các bước nhỏ hơn, dễ quản lý hơn, và cung cấp các ví dụ rõ ràng về đầu ra mong muốn.
Xu hướng của ChatGPT tuyên bố rằng nó “đang làm việc trên một cái gì đó” mà không thực hiện có thể làm suy yếu lòng tin và sự tự tin của người dùng vào khả năng của mô hình. Khi người dùng gặp hành vi này nhiều lần, họ có thể trở nên hoài nghi về những tuyên bố của mô hình và ít có khả năng dựa vào nó cho các nhiệm vụ quan trọng. Điều này đặc biệt trở ngại trong các môi trường chuyên nghiệp, nơi độ chính xác và độ tin cậy là rất quan trọng. Nếu một nhà nghiên cứu hoặc nhà phân tích kinh doanh sử dụng ChatGPT để tạo thông tin cho một báo cáo hoặc bài thuyết trình, và mô hình sản xuất kết quả không chính xác hoặc không đầy đủ sau khi tuyên bố “đang làm việc trên đó,” điều này có thể làm suy yếu tính toàn vẹn của công việc của họ. Nhận thức về AI như một công cụ không đáng tin cậy hoặc dễ dàng hứa hẹn sai có thể cản trở việc áp dụng và tích hợp của nó vào các ngành công nghiệp và ứng dụng khác nhau.
Một trong những thách thức nằm ở nhận thức của người dùng về AI sinh tạo như một sự thay thế cho các chuyên gia có kỹ năng, thay vì là một công cụ mạnh mẽ để nâng cao khả năng của họ. Tình huống lý tưởng là sử dụng AI như một đối tác, tận dụng sức mạnh của nó trong tốc độ, xử lý một lượng lớn thông tin và tự động hóa một số nhiệm vụ. Ví dụ, nếu bạn yêu cầu ChatGPT “viết một báo cáo kinh doanh,” và nó trì hoãn, sẽ quan trọng để hiểu rằng báo cáo có thể yêu cầu kiến thức chuyên môn hoặc truy cập vào dữ liệu cụ thể mà mô hình không có, đây là nơi mà một chuyên gia tư vấn kinh doanh có thể thêm giá trị. Tương tự, việc sử dụng AI để trao đổi ý tưởng, tạo bản nháp, hoặc thậm chí phân tích dữ liệu hiện có có thể có giá trị trong lĩnh vực tiếp thị, nhưng các chuyên gia cần thực hiện đánh giá phản biện và không giả định rằng AI sinh tạo sẽ cung cấp một giải pháp cuối cùng.
Để nâng cao độ tin cậy của các mô hình AI, rất cần thiết có cơ chế phản hồi mạnh mẽ cho phép người dùng cung cấp thông tin về phản hồi của mô hình và xác định các khu vực cần cải tiến. Khi người dùng báo cáo các trường hợp mà mô hình tuyên bố “đang làm việc trên một cái gì đó” mà không có kết quả, các nhà phát triển có thể điều tra các nguyên nhân cơ bản và tinh chỉnh dữ liệu đào tạo hoặc thuật toán của mô hình. Quy trình lặp lại của phản hồi và cải tiến là điều thiết yếu để nâng cao độ chính xác, tính minh bạch và độ tin cậy của hệ thống AI. Thêm vào đó, việc giao tiếp rõ ràng về các giới hạn và khả năng của mô hình có thể giúp quản lý kỳ vọng của người dùng và ngăn ngừa việc quá phụ thuộc vào AI cho các nhiệm vụ mà nó không phù hợp.
Có một số chiến lược có thể được sử dụng để giảm thiểu vấn đề ChatGPT tuyên bố “đang làm việc trên một cái gì đó” mà không thực hiện. Một cách tiếp cận là cải thiện khả năng của mô hình trong việc phát hiện khi nó không thể hoàn thành một nhiệm vụ và cung cấp một phản hồi thông tin hơn. Thay vì chỉ đơn giản tuyên bố rằng “đang làm việc trên đó,” mô hình có thể giải thích lý do nó gặp khó khăn trong việc thực hiện yêu cầu hoặc đề xuất các cách tiếp cận thay thế. Ví dụ, nó có thể nói, “Tôi không thể tạo ra một bản tóm tắt theo phong cách của Hemingway và hình thức haiku cùng một lúc, vì những phong cách này về bản chất là mâu thuẫn. Bạn có muốn tôi cố gắng tạo ra một bản tóm tắt theo một phong cách này hoặc phong cách kia không?”
Một khía cạnh quan trọng khác là cải thiện các kỹ thuật xây dựng yêu cầu. Người dùng có thể học cách cấu trúc các yêu cầu của họ một cách hiệu quả hơn, phân chia các nhiệm vụ phức tạp thành các bước nhỏ hơn, dễ quản lý hơn, và cung cấp các ví dụ rõ ràng về đầu ra mong muốn. Thử nghiệm với các cách diễn đạt và từ khóa khác nhau cũng có thể giúp mô hình hiểu rõ hơn ý định của người dùng. Hơn nữa, cung cấp nhiều bối cảnh và thông tin nền hơn có thể hỗ trợ mô hình trong việc tạo ra các phản hồi chính xác và phù hợp hơn. Bằng cách trở nên khéo léo hơn trong việc tạo ra các yêu cầu hiệu quả, người dùng có thể tăng xác suất nhận được phản hồi thỏa mãn và giảm tần suất gặp phải chiến thuật trì hoãn “đang làm việc trên đó”.
Tăng cường tính minh bạch và khả năng giải thích của các mô hình AI cũng có thể giúp giải quyết vấn đề này. Khi người dùng hiểu cách mà mô hình đưa ra phản hồi, họ có thể đánh giá tốt hơn tính hợp lệ của các tuyên bố của nó và xác định các lỗi hoặc thiên vị tiềm ẩn. Các kỹ thuật như cơ chế chú ý và độ quan trọng của đặc trưng có thể cung cấp cái nhìn vào những phần nào của dữ liệu đầu vào mà mô hình đang tập trung vào, cho phép người dùng hiểu lý do tại sao mô hình gặp khó khăn với những nhiệm vụ nhất định. Cuối cùng, AI không thể hoàn toàn miễn nhiễm với lỗi hoặc thiên vị, tuy nhiên, khi có thể hiểu rõ hơn các quy trình quyết định cơ bản của các mô hình AI, có thể giảm thiểu hiện tượng “ảo giác AI”.
Cuối cùng, người dùng cần chấp nhận tính chất lặp lại của việc tương tác với các mô hình AI. Khó có khả năng mô hình sẽ tạo ra phản hồi hoàn hảo ngay từ lần thử đầu tiên. Thay vào đó, người dùng nên chuẩn bị để tinh chỉnh yêu cầu của họ, cung cấp phản hồi bổ sung và thử nghiệm với các kỹ thuật khác nhau cho đến khi họ đạt được kết quả mong muốn. Nhìn nhận AI như một công cụ hợp tác, chứ không phải như một chiếc hộp đen kỳ diệu, có thể giúp người dùng quản lý kỳ vọng của họ và thu được giá trị lớn hơn từ các tương tác của họ với các mô hình ngôn ngữ như ChatGPT.
